[发明专利]一种考虑多时间序列的水泥熟料f-CaO预测方法

说明书

本发明公开了一种考虑多时间序列的水泥熟料f‑CaO预测方法，包括：1、辅助变量数据的采集和预处理；2、计算物料在各个设备中的滞留时间，根据滞留时间的长短，在不同设备中截取不同长度的时间序列变量，然后将截取的时间序列压缩成相同的长度；3、建立分组卷积融合注意力机制的辅助变量特征提取网络，将提取到的特征送入LSTM，最后得到最优模型辅助变量特征提取网络及最优持续时间。本发明充分考虑到不同变量在不同的时间段对f‑Cao最终含量影响程度不一，且变量间相互影响，干扰模型提取特征的问题，通过提取变量时间点特征和分设备提取分组特征，能快速提取辅助变量的有效特征，有助于提高水泥熟料f‑CaO在线预测精度。

技术领域

本发明涉及水泥熟料f-CaO含量软测量领域，具体的说是一种考虑多时间序列的水泥熟料f-CaO预测方法。

背景技术

水泥熟料中游离氧化钙(free lime in cement clinker,f-CaO)是水泥生产过程中未能与二氧化硅等酸性氧化物发生化合反应的以游离态存在于水泥熟料中的氧化钙。水泥熟料f-CaO含量作为水泥熟料质量的一项主要评价参数,该水平的高低直接关系最终水泥制品的质量。当其含量过高时，致使水泥强度降低甚至出现开裂，而降低熟料f-CaO含量需对熟料的煅烧更持久，这样会导致能耗的增加以及影响回转窑耐火砖的使用寿命。

目前，常用的f-CaO含量检测方法是待熟料形成并冷却后周期性地进行人工采样，并随后进行实验室离线化验，由于采样间隔时间长(通常为2h)，f-CaO含量检测值具有滞后性，难以指导后续水泥熟料生产过程，造成现场工况波动，熟料产品质量和产量堪忧。另一个常用方法是通过建立辅助变量和水泥熟料f-CaO之间的神经网络预测模型，能够及时地对水泥熟料f-CaO含量的预测，但由于水泥生产中辅助变量参数多且不同变量在不同时间段对f-CaO的影响程度不一原因，把所有变量的时间序列数据直接送入神经网络模型后，会有大量的扰动信息干扰神经网络的训练，导致模型的预测精度不高。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种考虑多时间序列的的水泥熟料f-CaO预测方法，以期能排除大量的扰动信息，提取到辅助变量时间序列数据的有效特征，从而能提高水泥熟料f-CaO含量的预测精度。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种考虑多时间序列的水泥熟料f-CaO预测方法，是应用于由预热分解系统、回转窑和篦冷机所构成的生产设备中，其特点在于，所述水泥熟料f-CaO预测方法是按照如下步骤进行：

步骤1、根据水泥熟料f-Cao产生的工艺机理，选取与水泥熟料f-Cao关联系数较大的n个辅助变量，令水泥熟料f-Cao数据的采样周期为T，按照采样周期T从DCS系统中获取p个水泥熟料f-Cao数据及其对应的辅助变量，并分别进行预处理和按列归一化处理，相应得到水泥熟料f-Cao向量和辅助变量矩阵其中，表示转置，b_i表示第i个采样周期T_i内的水泥熟料f-Cao数据；A_i表示第i个采样周期T_i内的辅助变量数据，且分别表示第i个采样周期T_i内从预热分解系统、回转窑、篦冷机中采集的辅助变量数据；

步骤2、模型输入的处理：

步骤2.1、根据经验公式得出水泥物料在预热分解系统、回转窑和篦冷机中的停留时间分别为T_yf、T_hzy和T_blj；且T_yfT_hzyT_blj，TT_yf+T_hzy+T_blj；